TestEconometria1

¿Cómo se denomina al componente no observable y sin significado económico del modelo de regresión lineal múltiple?. Regresor. NS/NC. Parámetro. Perturbación aleatoria.

Señala cuál de las siguientes hipótesis garantiza la eficiencia del estimador MCO para estimar el modelo de regresión lineal múltiple: Variables explicativas linealmente independientes. Heterocedasticidad termino de error. Homocedasticidad del término de error. NS/NC.

Como se denomina al siguiente modelo econométrico? lnY = B0 + B1 lnX1 + B2lnX2 + u. Modelo de elasticidad constante. NS/NC. Modelo de coeficientes beta. Modelo en nivel.

La fase más importante de elaboración de un modelo econométrico es: La fase de estimación por MCO. NS/NC. La fase de inferencia y diagnosis. La fase de especificación.

¿Qué términos del modelo de regresión lineal múltiple son desconocidos en la población (modelo teórico) y deben de ser estimados a partir de una muestra aleatoria seleccionada de la población?. Los coeficientes (parámetros) del modelo. Las variables explicativas del modelo. NS/NC. El término de error aleatorio del modelo.

Dado el modelo de regresión lineal múltiple con “K” variables explicativas estimado a partir de una muestra aleatoria, ¿cuál es la hipótesis nula que establece la significatividad estadística de una variable explicativa en el contraste de significatividad individual?: NS/NC. H0 : B1 ≠ 0; ∀i = 1…K. H0 : B1 = B2 = … = Bk = 0. H0 : B1 = 0; ∀i = 1…K.

¿Qué significado tiene el término constante del modelo?. Indica la media mínima de la universidad que es estadísticamente significativa si la nota media del instituto y del acceso a la universidad son cero. NS/NC. Indica la nota mínima necesaria para acceder al universidad que es estadísticamente significativa. El término constante no tiene ningún significado en sí mismo a pesar de ser estadísticamente significativo.

¿Qué tipo de estructura muestral es más proclive a generar heterocedasticidad en el término de error del modelo de regresión lineal múltiple?. Las muestras de series temporales. NS/NC. Las muestras de sección cruzada. Las muestras de datos de panel.

A partir de una muestra de 141 estudiantes de la universidad más grande Madrid, se estima por MCO el modelo de regresión lineal múltiple ,con especificación log-log, para predecir la nota media en la universidad de un estudiante promedio (colGPS) a partir de la nota media del instituto (hsGPA) , el resultado de las prueba de acceso a la universidad (ACT) ,la edad (age), la media del número de clases perdidas por semana (skipped) y la media del número de días que bebe alcohol a la semana (alcohol) y se obtiene la siguiente función de regresión muestral: Modelo: MCO, usando las observaciones 1-141 (n = 91) Se han quitado las observaciones ausentes o incompletas: 50 Variable dependiente: l_colGPA. De las variables l_alcohol y l_skipped por la transformación logarítmica aplicada. De las variables l_colGPS y l_age por la transformación logarítmica aplicada. NS/NC. De las variables l_ACT y l_sGPA por la transformación logarítmica aplicada.

Dado el siguiente modelo de regresión lineal: Y = B0 + B1X1 + B2X2 + B3X3 + u Si se sabe que el coef. De correlación (X1,X2)=0.9 y que esta correlación es espuria, se puede afirmar: Que el estimador MCO con seguridad va a ser muy sensible a cambios muéstrales porque hay una alta multicolinealidad en el modelo (casi perfecta). Que el estimador MCO va a ser robusto porque la alta correlación observada entre las variables explicativas no se debe a relaciones de casualidad entre ellas y por tanto el estimador no se va a ver afectado. NS/NC. Que los signos estimados de B1 y B2 van a ser ambos positivos.

Si seleccionamos dos estudiantes A y B, con el mismo resultado en la prueba de acceso pero con diferente media en el instituto ( sabemos que la media de A es un punto más que la media de B) el modelo estimado nos permite predecir: Que el estudiante A tendrá una nota media en la universidad 0.453 puntos más alta que B (sin decirnos nada acerca de dos estudiantes en concreto. Tan solo es la mejor predicción). Que el estudiante A tendrá una nota media en la universidad un 4.53% más alta que B (sin decirnos nada acerca de dos estudiantes en concreto. Tan solo es la mejor predicción). NS/NC. Que el estudiante A tendrá una nota media en la universidad 0.459 puntos más alta que B (sin decirnos nada acerca de dos estudiantes en concreto. Tan solo es la mejor predicción).

¿Cuál de los siguientes problemas impide estimar el modelo de regresión lineal múltiple por MCO?. Heterocedasticidad. NS/NC. Multicolinealidad exacta. Multicolinealidad aproximada.

¿Qué provoca sesgos en la estimación por MCO el modelo de regresión lineal múltiple?. La inclusión de variables irrelevantes en un modelo que provoca una pérdida de grados de libertad para estimar el modelo con un tamaño muestral dado. La presencia de outliers de la variable dependiente que violan el supuesto de homocedasticidad del termino de error. NS/NC. La selección de una muestra no aleatoria para estimar el modelo especificado.

¿Qué provoca la heterocedasticidad en el modelo de regresión lineal múltiple estimado por MCO?. Pérdida de robustez de los parámetros estimados que se vuelven muy sensibles a los cambios muéstrales. NS/NC. Impide estimar el modelo por MCO si no se elimina la variable causante de heterocedasticidad. Invalida las técnicas inferenciales habituales en muestras finitas (los contrastes de significatividad individual y conjunta).

¿En qué caso la transformación logarítmica de las variables explicativas corrige la heterocedasticidad y garantiza la optimalidad del estimador MCO en el modelo de regresión lineal múltiple, suponiendo que se verifican el resto de las hipótesis ideales del MBRL?. La transformación logarítmica nunca corrige la heterocedasticidad. Solo garantiza estimadores MCO consistentes (pero no óptimos). La trasformación logarítmica siempre corrige la heterocedasticidad con independencia de la estructura que tenga la varianza no constante del termino de error. NS/NC. Solo en el caso de que se trate de heterocedasticidad de tipo multiplicativa ( es decir, que la varianza del termino error tenga una estructura multiplicativa).

A la vista del resultado de la estimación,¿ Qué calificación previa resulta más determinante a la hora de predecir la nota media de la de la universidad?. Con la información disponible no se puede responder a la pregunta planteada. La nota media del instituto (hsGPA) tiene un impacto cuantitativo mayor que la nota de acceso (ATC). Tanto la nota media del instituto (hsGPA) como la nota de acceso (ACT) tienen el mismo impacto ya que ambas son estadísticamente significativas al 99% de confianza estadística. NS/NC.

A partir de una muestra de 141 estudiantes de la universidad mas grande Madrid, se estima por MCO el modelo de regresión lineal múltiple ,con especificación log-log, para predecir la nota media en la universidad de un estudiante promedio (colGPS) a partir de la nota media del instituto (hsGPA) , el resultado de las prueba de acceso a la universidad (ACT) ,la edad (age), la media del número de clases perdidas por semana (skipped) y la media del número de días que bebe alcohol a la semana (alcohol) y se obtiene la siguiente función de regresión muestral: Modelo: MCO, usando las observaciones 1-141 (n = 91) Se han quitado las observaciones ausentes o incompletas: 50 Variable dependiente: l_colGPA. NS/NC. Ante un incremento de un 1% la media de días que el alumno promedio bebe alcohol a la semana, que al menos falta a una hora de clase a la semana,, la nota media que obtiene en la universidad disminuye en un 4.19%. Ante un incremento de un 1% la media de días que el alumno promedio bebe alcohol a la semana, que al menos falta a una hora de clase a la semana, ceteris paribus, la nota media que obtiene en la universidad disminuye en un 0.04%. Ante un incremento de un 1% la media de días que el alumno promedio bebe alcohol a la semana, que al menos falta a una hora de clase a la semana, y si no falta a ninguna hora de clase a la semana, la nota media que obtiene en la universidad disminuye en un 0.0004%.

¿Qué implica la hipótesis de “especificación correcta” de un doble econométrico?. NS/NC. Que el modelo econométrico especificado no tiene termino de error. Que el modelo especificado no incluye variables explicativas linealmente dependientes. Que el modelo especificado no omite variables relevantes, no incluye variables redundantes y que la forma funcional es correcta.

¿Cuál de las siguientes es una causa frecuente de multicolinealidad en un modelo econométrico?. La omisión de variables relevantes. La presencia de outliers en las variables explicativas que introducen heterogeneidad en la muestra seleccionada para estimar el modelo especificado. La inclusión de variables irrelevantes en un modelo que provoca una pérdida de grados de libertad para estimar el modelo con un tamaño muestral dado. NS/NC.

El paso del modelo económico teórico al modelo econométrico se denomina: Formulación del modelo. Especificación del modelo. Identificación del modelo. NS/NC.

Sea un modelo de regresión lineal en el que hay heterocedasticidad, pero se verifican las demás hipótesis ideales. Indica cuál de las siguientes afirmaciones es FALSA: La varianza del estimador MCO no es la mínima varianza posible. Para hacer inferencia sobre los parámetros de forma correcta, hay que utilizar errores estándar robustos (HAC). El cumplimiento de o no del supuesto de homocedasticidad no afecta a las propiedades del estimador MCO. NS/NC.

¿Qué diferencia a los datos económicos de los datos utilizados en otras ciencias?. En economía se utilizan datos no experimentales que son fruto de la observación. En economía se utilizan datos experimentales que son controlables. NS/NC. En economía se utilizaban datos de corte transversal.

Señala la respuesta correcta: El estimador MCO es lineal, sesgado y óptimo. NS/NC. El estimador MCO es lineal, sesgado e ineficiente. El estimador MCO es lineal, insesgado y eficiente (ELIO).

¿Qué establece la hipotesis alternativa del contraste de heterocedastidad de White?. NS/NC. H1: “la heterocedasticidad es de tipo multiplicativa”. H1 : var (ui) = σ2∀i. H1 : var (ui) ≠ σ2∀i.

El modelo de regresión lineal múltiple (MRLM) se denomina modelo básico (MBRL) o modelo clásico (MCRL) porque: Verifica las hipótesis ideales que garantizan la optimalidad del método de estimación por MCO según el teorema de Gauss – Markov. Es el modelo más sencillo que se puede estimar.

¿Cuál es la causa más frecuente de que se observen signos en los parámetros estimados distintos de los signos teóricos (esperados) al estimar el modelo de regresión lineal múltiple por MCO?. La especificación errónea de la forma funcional del modelo. NS/NC. La existencia de relaciones de dependencia lineal entre algunas variables explicativas del modelo. La presencia de outliers influyentes algunas variables explicativas del modelo.

¿Qué variable tiene mayor impacto para predecir la nota media de la universidad?. La edad (age) porque tiene p valor más alto. No se puede analizar el impacto cuantitativo de las variables porque el modelo está especificado en nivel y las variables están expresadas en sus respectivas unidades de medida. La nota media del instituto (hsGPA) y el número de clases perdidas a la semana (skipped), porque aunque tienen signos diferentes, ambas son estadísticamente significativas al mismo nivel de confianza estadística. NS/NC.

Dado el modelo de regresión lineal múltiple con “K” variables explicativas estimado a partir de una muestra aleatoria, ¿cuál es la hipótesis nula que establece la bondad de ajuste del modelo en el contraste de significatividad conjunta?: NS/NC. H0 : B1 ≠ 0; ∀i = 1…K. H0 : B1 = B2 = … = Bk = 0. H0 : B1 = 0; ∀i = 1…K.